爬取京东评论信息

一，爬虫需求分析

1，需求。

　　我们需要获取多个链接的白酒在2018年评论数量。

2，分析。

　　一个商品页面有好几个规格，如图：

评论区我们需要获取的数据是当前选择的商品，而且需要时间顺序为2018年的：

这时候得到的评论有很多页，我们需要一条条的去爬取。

二，误区

因为时间排序以及当前商品评论的限制，我们选择了Selenium作为爬虫工具，写了很久发现时间排序的那个地方不是<select>标签，在标签选取上出现了问题，所以放弃了该方法。

三，productPageComments实现

1，选择本方法的原因

　　我们发现我们需要爬取的链接中都有商品ID，而不同规格的商品ID也不同，如果用productPageComments获得评论的话那么相当于解决了仅获取当前商品评论的问题，现在只需要完成2018评论数量的限制了。

2，实现

　　通过依此读取链接的方法用for循环页数爬取所有的评论。要是获取的productPageComments中没有评论咋办？只需要让前N页的评论总数与前N-5页对比，若没变化，则说明后面都没有评论了，程序停止。

　　2018的限定只需要把爬取的日期取前4位，然后用正则匹配2018即可。

1     for i in data[‘comments‘]:
2         #name = i[‘referenceName‘] #酒的种类
3         time_comment = i[‘creationTime‘][0:4]  #只选择评论时间的年份，若为2018开头则符合要求
4         time_comments.append(time_comment)
5     total_com_num.append(time_comments.count("2018"))  #[每页的评论数]，所以得注意所以页码如何处理？

3，总代码

 1 import requests
 2 import json
 3 import re
 4
 5 total_com_num = []  #用于计算总评论数
 6 def getcontent(url):
 7     productPageComments = requests.get(url)
 8     data = json.loads(productPageComments.text[26:-2])  #translate to json
 9
10     time_comments = []  #本容器用于筛选出时间正确的商品
11     for i in data[‘comments‘]:
12         #name = i[‘referenceName‘] #酒的种类
13         time_comment = i[‘creationTime‘][0:4]  #只选择评论时间的年份，若为2018开头则符合要求
14         time_comments.append(time_comment)
15     total_com_num.append(time_comments.count("2018"))  #[每页的评论数]，所以得注意所以页码如何处理？
16     return sum(total_com_num)  #返回前i页（note：这个i是page的i）下评论总数。
17
18 if __name__ == ‘__main__‘:
19     link_list = []
20     f = open("1.txt")  # 返回一个文件对象
21     lines = f.readlines()  # 调用文件的 readline()方法
22     for line in lines:
23         link_list.append(line)
24
25     # link = "https://item.jd.com/21391048137.html#comment"
26     # goods_id = int(re.findall(‘\d+‘, link)[0]) # 装你要找的商品的商品ID,[6873309,第二个商品ID，第三个商品ID。。。] 100000766433
27     page = 500  # 页码最大值，如果评论的页码数量大于500则得到的数据会不准确。
28
29     list=[]
30     step = 5  #前i与i-5数量一致的话，代码就停止
31
32     for link in link_list:
33         goods_id = int(re.findall(‘\d+‘, link)[0])  # 装你要找的商品的商品ID,[6873309,第二个商品ID，第三个商品ID。。。] 100000766433
34
35         # 括号为商品ID,为了支持翻页
36         for i in range(page): #i from zero to page
37             url = "https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv4640&productId=" + str(goods_id) + "&score=0&sortType=5&page="+str(i)+"&pageSize=10&isShadowSku=0&rid=0&fold=1"
38             list.append(getcontent(url))
39             if (i>step) and (list[i] == list[i-step]):
40                 # print("第",i,"页停止程序！",goods_id,list[-1])
41                 print("第",i,"页停止程序！",list[-1])
42                 break

四，总结

　　json和re还不够熟练，有待加强。

原文地址：https://www.cnblogs.com/two-peanuts/p/10260298.html